XML y Markdown en la API
En esta página
Estructuración de tus instrucciones para el modelo
Mientras un prompt quepa en tres frases, el texto plano funciona bien. Los problemas surgen cuando crece: múltiples bloques de contexto, reglas condicionales, datos de usuario que procesar, un esquema de salida. Todo se mezcla, el modelo confunde qué debe leer con qué debe aplicar, y tu equipo pierde la pista de qué línea modificar. Las etiquetas XML y la sintaxis Markdown abordan esta doble necesidad: legibles para el modelo, mantenibles para los humanos. Mistral recomienda explícitamente su uso en prompts de producción.
Su eficacia se reduce a una razón sencilla. Los modelos de lenguaje se entrenaron con miles de millones de documentos que contenían HTML, XML y Markdown; estos formatos les son familiares porque aparecen masivamente en los datos de entrenamiento. El modelo identifica claramente las secciones y sus roles, mientras que tú obtienes un prompt que un colega puede auditar de un vistazo.
Etiquetas XML para delimitar secciones
El uso más rentable de las etiquetas XML es aislar los datos de las instrucciones. En el siguiente ejemplo, el prompt del sistema contiene las reglas y el esquema esperado; el mensaje del usuario envuelve el documento en una etiqueta <document>, evitando que el modelo confunda el contenido del informe con una instrucción.
from mistralai.client import Mistral
import os
client = Mistral(api_key=os.getenv("MISTRAL_API_KEY"))
system_prompt = """Eres un asistente de análisis de documentos.
<instructions>
Analiza el documento proporcionado y extrae la información solicitada.
Responde solo en JSON.
Si falta información, usa null.
</instructions>
<output_schema>
{
"title": "string",
"author": "string",
"date": "string (YYYY-MM-DD)",
"summary": "string (max 100 words)",
"keywords": ["string"]
}
</output_schema>"""
user_prompt = """<document>
Informe trimestral Q1 2026 — Mistral AI
Escrito por Arthur Mensch, CEO
Fecha de publicación: 1 de abril de 2026
Este informe presenta los resultados del primer trimestre de 2026. La empresa experimentó un crecimiento significativo en su negocio de API con un aumento del 300 % en las solicitudes diarias.
</document>
Extrae los metadatos de este documento."""
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{"role": "system", "content": system_prompt},
{"role": "user", "content": user_prompt}
],
temperature=0.0
)
print(response.choices[0].message.content)
En producción, un pequeño vocabulario de etiquetas se repite constantemente y se beneficia de la estandarización en toda tu base de prompts:
<instructions>...</instructions> <!-- Reglas para el modelo -->
<context>...</context> <!-- Información de contexto -->
<document>...</document> <!-- Texto a analizar -->
<examples>...</examples> <!-- Ejemplos few-shot -->
<constraints>...</constraints> <!-- Límites y prohibiciones -->
<output_format>...</output_format> <!-- Formato de salida esperado -->
<user_data>...</user_data> <!-- Datos de usuario -->
Markdown para instrucciones legibles
Markdown responde a otra necesidad: jerarquizar las reglas. Mientras que XML corta el prompt en zonas, los encabezados, listas y texto en negrita de Markdown organizan el contenido dentro de una zona. Este prompt de redacción técnica sitúa así un rol, reglas de escritura, una estructura numerada obligatoria y una lista de prohibiciones en el mismo plano visual; un redactor humano podría trabajar con esto, que es la prueba correcta.
system_prompt = """# Asistente de Redacción Técnica
## Tu rol
Escribes documentación técnica para APIs REST.
## Reglas de escritura
- **Usa "tú"** en todo el texto
- Frases cortas (máx. 25 palabras)
- Un concepto por párrafo
- Código en línea entre comillas invertidas: `GET /api/v1/users`
## Estructura obligatoria
1. **Introducción** — Contexto y objetivo del endpoint
2. **Solicitud** — Método, URL, cabeceras, parámetros
3. **Respuesta** — Códigos HTTP, cuerpo JSON, ejemplos
4. **Errores** — Posibles códigos de error y resolución
## Prohibiciones
- Sin jerga indefinida
- Sin "simplemente" o "fácilmente"
- Sin ejemplos con datos ficticios poco realistas"""
Combinación de ambos formatos
Para prompts complejos, la práctica más eficaz es anidar los dos: XML delimita las zonas principales, mientras que Markdown estructura el interior de cada una. El agente de soporte multilingüe siguiente usa <persona> para la identidad y <rules> para el comportamiento —con dos subsecciones Markdown dentro, incluyendo una regla de escalado condicional— y <knowledge_base> para hechos perecederos, que se convierten en la única parte a actualizar cuando cambia la versión del software.
system_prompt = """# Agente de Soporte Multilingüe
<persona>
Eres el asistente de DataFlow, una editorial de software ETL.
Hablas francés, inglés y español.
</persona>
<rules>
## Reglas de comportamiento
- Responde en el idioma del usuario
- Identifica la categoría del problema: **bug**, **pregunta**, **solicitud de funcionalidad**
- Para bugs: recopila la versión del software, el SO y el mensaje de error exacto
## Escalado
- Si el problema persiste tras 3 intercambios → propone un ticket de soporte
- Si el cliente menciona pérdida de datos → escalado inmediato (alta prioridad)
</rules>
<knowledge_base>
- Versión actual: DataFlow 4.2.1 (abril de 2026)
- SO compatibles: Windows 11, Ubuntu 22.04+, macOS 14+
- Documentación: docs.dataflow.io
</knowledge_base>"""
Una plantilla de prompt reutilizable
El siguiente paso es dejar de escribir prompts manualmente y empezar a construirlos. La función siguiente toma un documento y una lista de preguntas, y luego produce los mensajes completos. Dos detalles merecen tu atención: las instrucciones exigen una cita justificativa para cada respuesta y una frase de respaldo explícita cuando falta información, lo que reduce drásticamente las alucinaciones en documentos contractuales; y la temperature en 0,1 deja justo la flexibilidad suficiente para la redacción sin permitir interpretación.
def build_analysis_prompt(document: str, questions: list[str]) -> list:
"""Construye un prompt de análisis estructurado usando XML."""
system = """# Analista de Documentos
<instructions>
Lee el documento proporcionado y responde a las preguntas formuladas.
Cada respuesta debe citar la parte del documento que la justifica.
Si la respuesta no está en el documento, responde "No mencionado en el documento."
</instructions>
<output_format>
Para cada pregunta, responde en este formato:
**P{n}**: [tu respuesta]
> Cita: "[extracto del documento]"
</output_format>"""
questions_formatted = "\n".join(
f"{i+1}. {q}" for i, q in enumerate(questions)
)
user = f"""<document>
{document}
</document>
<questions>
{questions_formatted}
</questions>"""
return [
{"role": "system", "content": system},
{"role": "user", "content": user}
]
# Uso
messages = build_analysis_prompt(
document="Contrato de acuerdo de servicio entre...",
questions=[
"¿Cuál es la duración del contrato?",
"¿Cuáles son las penalizaciones por pago tardío?",
"¿Hay una cláusula de no competencia?"
]
)
response = client.chat.complete(
model="mistral-large-latest",
messages=messages,
temperature=0.1
)
Unos pocos hábitos hacen que estos prompts sean duraderos. Nombra tus etiquetas de forma descriptiva: <document> dice lo que contiene, <data> no dice nada y perderás cinco minutos en cada revisión. Ciérralas sistemáticamente: una etiqueta de apertura sin su etiqueta de cierre difumina el límite entre dos secciones, y el modelo podría leer entonces tus instrucciones como contenido a analizar. Por último, usa sangría para la legibilidad humana; al modelo le va bien sin ella, pero la persona que retome el prompt dentro de seis meses, no.
Puntos clave
- Las etiquetas XML aíslan los datos de las instrucciones en el prompt
- Markdown estructura reglas y listas para mejorar la legibilidad
- Combina ambos formatos para prompts complejos de producción
- Nombra tus etiquetas de forma descriptiva y ciérralas sistemáticamente
- Los prompts estructurados son más fáciles de mantener, probar y versionar